...
Markdown |
---|
## 背景 在 IoTDB 中,聚合查询可以使用 `GROUP BY` 子句指定按照时间区间分段聚合。用户可以指定聚合的时间间隔和滑动步长,相关参数如下: - 参数 1:整体的时间窗口。 - 参数 2(interval):划分时间轴的时间间隔参数(> 0)。 - 参数 3(slidingStep):滑动步长(可选,默认值与时间间隔相同)。 ![img](https://user-images.githubusercontent.com/16079446/69109512-f808bc80-0ab2-11ea-9e4d-b2b2f58fb474.png) 在之前的定义中,滑动步长必须大于等于时间间隔,现在拟支持滑动步长小于时间间隔的情况。 ## 设计思路 - 根据时间间隔和滑动步长将整体的时间窗口划分成若干**不重叠的预聚合窗口**。 - 先对每个预聚合窗口内的数据进行聚合(调用之前的接口即可),将这些预聚合值维护在一个队列中并实时更新聚合结果。 - 当聚合窗口内的所有预聚合窗口的聚合值都计算完毕时,此时得到的聚合结果即该聚合窗口的聚合结果。 - 聚合窗口移动时,同时更新队列,将不在聚合窗口内的预聚合值出队。 ## 算法过程 ### 预聚合窗口划分 - **若 interval < slidingStep,预聚合窗口等于聚合窗口。** - **若 interval >= slidingStep,预聚合窗口由各个聚合窗口的边界划分而成。** 例:整体时间窗口为 [0, 32),数据如下,灰色单元格表示对应时间戳没有数据。 |
interval = 4,slidingStep = 5,预聚合窗口即为聚合窗口。
interval = 4,slidingStep = 6,预聚合窗口即为聚合窗口。
interval = 4,slidingStep = 1,预聚合窗口大小为 1。
interval = 4,slidingStep = 2,预聚合窗口大小为 2。
interval = 4,slidingStep = 3,预聚合窗口大小为 3 -> 1 -> 2 -> 1 -> 2 -> ……(为方便起见,简化为 1 -> 2 -> 1 -> 2 -> ……)
可以推导出预聚合窗口关于 interval 和 slidingStep 的关系(感谢 Xiangwei Wei 贡献的精彩公式推导~):
...
Markdown |
---|
### 根据预聚合结果计算聚合值 对于不同的聚合函数,按照其特点有不同的处理方式,可以分为三组: - SUM、COUNT、AVG:将当前聚合窗口内的预聚合值缓存在队列中,更新队列时同时更新聚合值。 - MAX_VALUE、MIN_VALUE、EXTREME:使用单调队列算法进行优化([LEETCODE-239](https://leetcode-cn.com/problems/sliding-window-maximum/solution/))。 - FIRST_VALUE、LAST_VALUE、MAX_TIME、MIN_TIME:顺序遍历时,LAST_VALUE 和 MAX_TIME 的聚合值总出现在右边界的预聚合值,因此中间结果无需缓存。反之,逆序遍历时,FIRST_VALUE 和 MIN_TIME 的预聚合值无需缓存。 时间复杂度:O(n + m),m 为预聚合窗口的数量。 空间复杂度:O(p + k),p 为缓存的 BatchData 大小,k 为每个聚合窗口中预聚合窗口的数量。 例:整体时间窗口为 [0, 32),序列 `root.sg1.d1.s1` 的数据情况如下,灰色单元格表示对应时间戳没有数据,临近相同颜色的单元格表示来自同一个 BatchData。 **CASE**: 执行:`SELECT sum(s1), max_value(s1), last_value(s1), min_time(s1) FROM root.sg1.d1 GROUP BY ([0,32),8ms,2ms)` 解析 SQL 后得到参数,startTime = 0,endTime = 32,interval = 8,slidingStep = 2。每个预聚合窗口大小为2。计算得到每个预聚合窗口大小为 2。 下面演示各种聚合函数的计算过程: |
下面演示计算过程: |
首先计算第一个预聚合窗口 [0,2) 的聚合值,将计算结果(除 LAST_VALUE 外)缓存在队列中,并更新聚合结果。
继续计算第二个预聚合窗口 [2,4) 的聚合值,更新队列和聚合结果:
- SUM、MIN_TIME:直接入队,更新聚合结果
- MAX_VALUE:由于 -1 < 3,将结果入队,更新聚合结果
- LAST_VALUE:直接更新聚合结果
继续计算第三个预聚合窗口 [4,6) 的聚合值,更新队列和聚合结果:
- SUM、MIN_TIME:直接入队,更新聚合结果
- MAX_VALUE:由于 5 > 3 > -1,将 5 入队,3 和 -1 出队,更新聚合结果
- LAST_VALUE:直接更新聚合结果
继续计算第四个预聚合窗口 [6,8) 的聚合值,更新队列和聚合结果:
- SUM、MIN_TIME:直接入队,更新聚合结果
- MAX_VALUE:由于 6 > 5,将 6 入队,5 出队,更新聚合结果
- LAST_VALUE:直接更新聚合结果
此时得到了第一个聚合窗口的聚合结果。
聚合窗口向前滑动,将队列中不在聚合窗口范围内的预聚合值出队,并更新聚合结果。
继续计算第五个预聚合窗口 [8,10) 的聚合值,更新队列和聚合结果:
- SUM、MIN_TIME:直接入队,更新聚合结果
- MAX_VALUE:由于 7 > 6,将 7 入队,6 出队,更新聚合结果
- LAST_VALUE:直接更新聚合结果
此时得到了第二个聚合窗口的聚合结果。以此类推~
Markdown |
---|
## 实现细节 - **时间窗口管理:** 为方便管理时间窗口,可以实现一个工具类 `TimeRangeIterator` 迭代预聚合窗口。 - **预聚合值计算:** - 不带值过滤:比较简单,每个预聚合窗口的聚合值计算可以直接调用 `GroupByExecutor` 接口的 `List<AggregateResult> calcResult(long curStartTime, long curEndTime)` 得到。 - 带值过滤:考虑梳理出一个类似于不带值过滤的计算接口。 - **预聚合值处理:** 在 `GroupByEngineDataSet` 类中维护队列,完善 `nextWithoutConstraint()` 的执行逻辑。 - **对于不同类型的聚合函数的处理:** 实现数据结构 `SlidingWindowAggrQueue`,根据聚合函数类型对队列进行不同策略的管理。 - **内存管理:** 在最差情况下,队列中需要缓存窗口内全部的原始数据,对内存造成压力。这里参考 [UFTD 框架](https://cwiki.apache.org/confluence/pages/viewpage.action?pageId=165220355) 的内存管理 —— 实现 `ElasticSerializableQueue` 作为 `SlidingWindowAggrQueue` 内缓存值的队列。 - **兼容现有 GROUP BY:** interval < slidingStep,预聚合窗口等于聚合窗口,每次无需缓存,直接返回预聚合结果即可。 - **兼容 UDAF:** 在 UDAF 中,特别地,有返回一个窗口内全部原始数据的需求(如计算方差)。此时可以将预聚合窗口大小设置为 1,增加表示返回原始数据的聚合类型(如 `original`),此时队列中保存的就是窗口内全部的原始数据。 |
...